(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210989752.X (22)申请日 2022.08.18 (71)申请人 武汉大学 地址 430072 湖北省武汉市武昌区珞珈山 街道八一路2 99号 (72)发明人 许贤泽　蒋宇飞　徐逢秋　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 专利代理师 彭艳君 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/00(2006.01) G06N 5/00(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于自适应改进蜉蝣和BP神经网络的 负荷预测方法 (57)摘要 本发明涉及电力负荷预测技术， 具体涉及一 种基于自适应改进蜉蝣和BP神经网络的负荷预 测方法， 采集目标区域在某一时间段的用电负荷 数据及对应的天气特征数据， 分别归一化后形成 原始数据集； 利用三层小波分解将原始数据集分 解为A3、 D1、 D2、 D3四个小波； 构建并确定BP神经 网络的结构、 学习效率、 目标精度和训练次数， 确 定自适应改进蜉蝣算法的种群规模、 迭代次数、 搜索空间上下界、 搜索速度上下界， 依据BP神经 网络参数的个数确定蜉蝣种群维数； 利用自适应 改进蜉蝣算法迭代优化BP神经网络参数， 分别对 四个小波进行预测得到预测数据A3 ′、 D1′、 D2′、 D3′， 将其叠加， 得到最终的负荷预测值。 该方法 能够更加准确地解决多重场景的用电负荷预测， 具有较强的自适应能力。 权利要求书5页 说明书11页 附图3页 CN 115438842 A 2022.12.06 CN 115438842 A 1.一种基于自适应改进蜉蝣和BP神经网络的负荷预测方法， 其特征在于： 包括以下步 骤： 步骤1、 采集目标 区域的电力负荷、 最 高温度、 最低温度、 平均温度、 相对湿度、 降雨量六 类原始数据， 分别将最大值 最小值归一 化后形成原 始数据集； 对数据的归一 化处理： 其中， xij表示第i类指标中的第j个参数原始值， xij*为其经归一化处理后的值， ximax、 ximin分别为第i类指标中参数的最大最小值； 步骤2、 利用三层小 波分解将原 始数据集分解 为A3、 D1、 D2、 D3四个小 波； 步骤3、 构建并确定BP神经网络的结构、 学习效率、 目标精度和训练次数， 确定自适应改 进蜉蝣算法 的种群规模、 迭代 次数、 搜索 空间上下界、 搜索速度上下界， 依据BP神经网络参 数的个数确定蜉蝣种群维数； 步骤4、 利用自适应改进蜉蝣算法迭代优化BP神经网络权值和阈值， 建立基于BP神经网 络的预测模型， 并利用预测模型分别对四个小波进行预测， 得到预测时间段四个小波对应 的预测数据A3 ′、 D1′、 D2′、 D3′； 步骤5、 将预测数据A3 ′、 D1′、 D2′、 D3′全部叠加， 得到预测时间段的电力负荷预测值。 2.根据权利要求1所述基于自适应改进蜉蝣和BP神经网络的负荷预测方法， 其特征在 于： 步骤3所述BP神经网络的构建包括如下公式： 确定输入层的输入量： 其 中 ， 隐 含 层 的 输 入 量 为 ： 隐 含 层 的 输 出 量 为 ： 隐含层的Sigmo id函数为： 输出层的输入量 为： 输出层的输出量 为： 反向传播 误差函数为： 其中， r(k)为网络模型输出值， y(k)为是实际输出值； 误差反向传播阶段通过将反向传播误差函数计算得到的值对隐含层及输出层的权值 系数进行附体度修 正， 从而得到隐含层到 输出层加权系数的增量 为： 其中， η为学习效率， α 为惯性系数； 输出层的加权系数修 正增量为： 权　利　要　求　书 1/5 页 2 CN 115438842 A 2其中， 隐含层的加权系数修 正增量为： 其中， 3.根据权利要求1所述基于自适应改进蜉蝣和BP神经网络的负荷预测方法， 其特征在 于： 步骤4所述自适应改进蜉蝣 算法包括以下步骤： 步骤4.1、 初始化各参数， 利用Sin混沌映射初始化雌雄蜉蝣种群， 计算所有个体适应 度， 分别记录雌雄蜉蝣 最优个体及位置； 设蜉蝣种群x＝{x1,x2,x3...xn}， n为蜉蝣总数； 对第i个蜉蝣个体有xi＝[xi,1,xi,2, xi,3...xi,j]， xi,j∈[0,1]， j为BP神经网络权值阈值总数， 任意一个蜉蝣个体代表一种BP神 经网络权值阈值组合情况； 以Si n混沌映射 生成初始种群， 定义如下： xn+1＝ μsin( πxn)， xn∈[0,1] 其中， x表示蜉蝣个体在任意维度上的分量， μ为范围为[0,1]的控制参数； 通过Sin混沌 映射使生 成的初始种群均匀地充斥整个解空间； Sin映射完成后， 将蜉蝣线性映射至U[xmin, xmax]， 其中， xmax、 xmin分别表示权值阈值的上下限； 对第i个蜉蝣个体xi＝[xi,1,xi,2,xi, 3...xi,j]， 表示BP神经网络的所有权值阈值； 步骤4.2、 雌性蜉蝣的运动； 雌性蜉蝣的行为特征在于飞向雄蜉蝣以繁殖， 设雌性蜉蝣 总数为N； 设 是第i个雄性蜉蝣于时间步t在搜索空间U中的当前位置； 为与雄性蜉蝣区别， 设 是第i个雌性蜉蝣于时间步t在搜索空间U中的当前位置， 通过在当前位置上添加速度 来 改变位置： 雌雄蜉蝣位置范围皆为U[xmin,xmax]， 若添加速度 后超出范围U， 则将其限制回最近 边 界值； 吸引过程设定为 最优雄性吸引最优雌性， 第二优雄 性吸引第二优雌性； 则雌蜉蝣速度： 若改变后的速度超过范围[Vmin,Vmax]， 则将其限制回最近边界值； 其中， 为第i个蜉蝣 于时间步t在维度j＝1,...,n上的速度， 为第i个蜉蝣于时间步t在维度j上的位置； f表 示适应度函数， 即将 各蜉蝣代入BP神经网络， 得到的预测值与实际值的差值； a3表示正吸引 常数； rmf是雌性蜉蝣与对应雄 性蜉蝣之间的笛卡尔距离， 计算公式如下： 权　利　要　求　书 2/5 页 3 CN 115438842 A 3